4. 机器学习在ADMET预测中的应用概述

说到ADMET预测，我入行那会儿大家还全靠经验和规则。什么“Lipinski五规则”、“Veber规则”，一个个背得滚瓜烂熟。但说实话，那些规则只能筛掉明显不合格的分子，真到了候选化合物优化阶段，总是差那么一口气。

后来机器学习进来了。我印象最深的是2016年左右，刚用上随机森林预测Caco-2渗透性，效果比当时的手工QSAR模型好了一大截。从那以后，我就彻底成了“数据驱动派”。

这一章，咱们就聊聊机器学习在ADMET里到底能干什么、常用的模型有哪些、应该怎么选。我尽量挑干货讲，不扯虚的。

4.1 机器学习解决了什么问题？

传统ADMET预测主要靠物理化学规则和线性QSAR。规则简单直接，但有个致命问题——它假设分子性质之间没有复杂的相互作用。你想想看，一个分子的代谢稳定性、透膜性、水溶性，它们之间是相互拉扯的，不是割裂的。

机器学习的好处在于：它能自动从数据里找到这些非线性关系。比方说，一个分子带杂环可能降低代谢稳定性，但同时又能提高溶解性——这种“跷跷板”效应，线性模型很难捕捉，但树模型或者神经网络可以。

核心价值三点：

• 非线性拟合能力——不再受规则边界限制，能拟合更复杂的结构-活性关系。
• 多任务学习——用一个模型同时预测多个ADMET终点，比如同时预测清除率和口服生物利用度。
• 可扩展性——数据量越大，效果越好；不像规则模型，数据多了反而矛盾百出。

4.2 主流模型类型一览

ADMET里常见的机器学习模型就那几类，我把它们列了个表。说实话，十几年下来，没有哪个模型是万能的。选模型就像挑工具，得看你的数据量和任务类型。

我个人习惯：如果样本量 < 1000，先上随机森林；如果样本量在 1000 ~ 10000，试试 XGBoost 并做简单调参；如果样本量 > 10万，再考虑 GNN 或 MLP。千万别一上来就上深度学习，否则很容易在批次效应上翻车——后面章节会重点讲这个问题。

4.3 经典工作流程：从分子到预测值

不管用什么模型，ADMET预测的流程大同小异。我画了一张流程简图，你看一眼就能记住。

这个流程里，最容易出问题的就是第一步和第二步。为什么？因为数据准备好了不代表能直接用——同一批实验测出来的值和另一批可能差很多，这就是批次效应。后面几章会专门拆解。

我自己的经验：永远不要相信直接从文献里扒下来的数据集。不同实验室、不同仪器、不同时间测出的同一种ADMET性质，差异可能大到让你怀疑人生。拿到数据先做可视化，画个主成分分析散点图，看看有没有明显的批次聚类。这一步能帮你省掉后面80%的调试时间。

4.4 特征工程：到底选指纹还是描述符？

这个问题我当年纠结了很久。简单说：

• 分子指纹（比如ECFP、MACCS）适合解释性要求不高的场景，尤其图神经网络里天然用指纹作为节点特征。缺点是指纹维度高，很多特征冗余，直接扔进随机森林会慢。
• 物理化学描述符（比如logP、分子量、氢键供体数）更有物理含义，适合给传统机器学习模型用。缺点是依赖计算软件（比如RDKit、Mordred），而且有些描述符相关性太强，需要做特征筛选。

我的建议：如果数据量小（< 2000），用描述符组合+简单筛选；数据量大，用指纹或者图表示。在实际项目里，我经常两种一起试，然后选交叉验证表现最好的。别迷信某一种，数据说了算。

示例：用RDKit同时生成分子指纹和描述符
from rdkit import Chem
from rdkit.Chem import AllChem, Descriptors, MACCSkeys

mol = Chem.MolFromSmiles('CCO')
# 摩根指纹（ECFP4）
fp = AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=2048)
# MACCS密钥
maccs = MACCSkeys.GenMACCSKeys(mol)
# 物理化学描述符
logP = Descriptors.MolLogP(mol)
mw = Descriptors.MolWt(mol)

不过要注意，指纹和描述符本身也可能带有批次效应特征——比如在某些批次的实验里，logP是用不同方法测的。这个坑在第五章会专门讲怎么处理。

4.5 评估指标的选用

分类问题（比如是否hERG毒性）和回归问题（比如清除率数值），用的指标不一样。我列了个常用表：

4.6 批次效应对机器学习的潜在影响

这一章的压轴话题。机器学习模型本质上是在学习训练数据的分布。如果不同批次的数据分布不一致，模型就会学到“批次相关信息”而非真正的ADMET规律。表现为什么？

• 在训练集上表现很好，但在跨批次测试集上骤降。
• 特征重要性里出现了一些奇怪的描述符（比如实验日期、仪器编号等元数据）。
• 通过UMAP/T-SNE投影，能看到不同批次的分子在潜空间中明显分离。

我在一次预测口服生物利用度的项目中，训练集来自两个实验室的同一套标准化合物。结果模型在第三家实验室的数据上效果极差。后面一查，发现前两个实验室的测量值本身就有系统性偏差——它们各自的溶剂条件、pH缓冲液都不完全一样。这就是典型的批次效应。

后续章节会详细讲：如何检测批次效应、如何用数据校正方法消除、以及如何在模型训练中引入批次信息。但这里先记一个核心原则：不要假设所有ADMET数据是独立同分布的。在机器学习用于ADMET之前，最好先把数据标签和来源批次画个图，心里有点数。